PDF、DOCX 秒转 Markdown！这个 AI 文档处理神器太香了

还在手动复制粘贴 PDF 里的表格？Docling 就是你需要的那个 AI 文档处理 Skill。

作为一个天天要和 PDF、DOCX、XLSX 打交道的办公党，我太懂那种痛了——

想把 PDF 里的表格转成 Excel，结果复制过来全乱码；想把论文里的公式和配图单独提取出来，只能一张张截图；扫描件 PDF 更是噩梦，OCR 识别率感人……

直到我遇到了 Docling，一个用 AI 搞定一切文档格式转换的开源神器。

它能做什么？

一句话：把 PDF、DOCX、PPTX、XLSX、HTML、图片、音频视频这些乱七八糟的格式，统统转成结构化的 Markdown、HTML 或 JSON，而且保留原文的排版、表格、公式、图表信息。

具体来说：

• 复杂 PDF 不在话下：页面布局、阅读顺序、表格结构、代码块、LaTeX 公式，它都能识别并提取出来
• 表格提取超精准：自研的 TableFormer 模型，表格识别准确率 95%+，碾压传统方案（Tabula 只有 67%）
• 扫描件也能 OCR：内置 OCR 支持，扫描的 PDF 或图片直接识别
• 完全本地运行：敏感数据不出本机，适合企业内网场景，不依赖云端
• 支持 LangChain / LlamaIndex：可以无缝接进 RAG 和 AI 工作流

实际体验怎么样？

用起来特别简单，pip install 装上，几行代码就能跑：

from docling.document_converter import DocumentConverter

converter = DocumentConverter()
result = converter.convert("你的文档路径")
print(result.document.export_to_markdown())

PDF 丢进去，结构化的 Markdown 就出来了——表格是表格、代码是代码、公式也规规矩矩。

适合哪些场景？

• 科研党：把论文 PDF 自动转成可编辑的 Markdown，方便做笔记
• 办公族：批量处理合同、报告、发票，提取关键数据
• 开发者：接 RAG 系统，构建知识库问答
• AI 应用者：文档处理管道，喂给大模型做分析

项目信息

• GitHub：https://github.com/DS4SD/docling
• 48.4k Stars，活跃维护中（最新 v2.66.0，2025 年 12 月）
• 来自 IBM Deep Search 团队，开源 MIT 协议
• 支持 LangChain、LlamaIndex、MCP 等主流 AI 框架

说实话，用了 Docling 之后，我再也不想手动复制表格了。强烈建议每个需要处理文档的办公党都试试。

GitHub: https://github.com/DS4SD/docling